L’e-learning ha subito una trasformazione significativa, evidenziata in modo particolare durante le crisi come la pandemia di COVID-19, quando è diventato essenziale a livello globale. L’UNESCO ha autorizzato diverse piattaforme di e-learning già affermate come soluzioni rapide, ma queste non sono state raccomandate come soluzioni a lungo termine a causa di varie sfide che influenzano i processi di apprendimento. Studi recenti hanno affrontato queste sfide utilizzando intelligenza artificiale (AI), deep learning e tecnologie blockchain. L’AI e il deep learning si concentrano sul miglioramento della valutazione delle performance degli studenti, mentre la blockchain e i smart contract aiutano a combattere problemi come certificati falsi, manipolazione dei risultati e tracciamento delle attività degli studenti. Sebbene entrambe le tecnologie mostrino un forte potenziale, pochi studi esplorano l’integrazione tra loro nell’ambito dell’e-learning, spingendo questa ricerca a proporre un framework intelligente che combina blockchain e deep learning per rendere più sicuri e migliorare i sistemi di e-learning, garantendo sicurezza dei dati, trasparenza e automazione. Questo framework memorizza i dati degli studenti in modo sicuro sulla blockchain, utilizzando il Interplanetary File System (IPFS) per lo storage decentralizzato di file di grandi dimensioni, assicurando integrità e riservatezza dei dati tramite portafogli privati sulla blockchain Ethereum. I modelli di deep learning analizzano poi questi dati protetti per prevedere accuratamente le performance accademiche. I smart contract facilitano l’emissione dei certificati da parte delle università, registrandoli in modo immutabile sulla blockchain accessibile dai nodi della rete, migliorando così automazione, sicurezza e fiducia tra studenti, docenti e datori di lavoro. La blockchain fornisce uno storage di dati immutabile, temporizzato, sicuro e trasparente all’interno di una rete peer-to-peer distribuita, senza bisogno di un’autorità centrale. Ethereum, seconda per capitalizzazione di mercato dopo Bitcoin, supporta smart contract programmabili tramite la Ethereum Virtual Machine (EVM) utilizzando Solidity, consentendo transazioni condizionali e automatizzate molto più avanzate rispetto a Bitcoin. I smart contract automatizzano l’esecuzione delle clausole contrattuali una volta soddisfatte determinate condizioni, registrando in modo immutabile tutte le esecuzioni sulla blockchain. Poiché le blockchain non sono adatte per file di grandi dimensioni, si utilizzano soluzioni di storage off-chain come IPFS, Storj e FileCoin. IPFS è particolarmente noto per l’encrypting e distribuzione peer-to-peer di file di grandi dimensioni, creando hash a indirizzo di contenuto che verificano integrità e accesso ai dati, anche se la gestione del controllo degli accessi rimane una sfida. In questo contesto, IPFS è importante per conservare in modo sicuro i dati ampi degli studenti, collegandoli alle transazioni sulla blockchain tramite hash. Il deep learning, specialmente le reti neurali artificiali (ANN) ispirate ai cervelli biologici, coinvolge più strati—istruzione, nascosto e output—che apprendono attraverso propagazione in avanti, calcolo degli errori e retropropagazione per più epoche. Le reti neurali profonde (DNN), con più strati nascosti, migliorano la precisione delle previsioni. Questa ricerca utilizza questi modelli per analizzare i dati degli studenti conservati tramite blockchain e IPFS, consentendo previsioni di performance accurate. Numerosi studi precedenti hanno utilizzato il deep learning per risultati educativi, tra cui previsioni di abbandono scolastico in MOOCs (Massive Open Online Courses) usando reti ricorrenti e convoluzionali, con una precisione superiore ai metodi tradizionali.

Altri hanno impiegato reti bidirezionali di memoria a breve e lungo termine (LSTM) per predire abbandoni, e modelli di deep learning hanno successo nel predire le performance degli studenti in dataset piccoli e sbilanciati, raggiungendo elevate precisioni. Il framework proposto si articola in tre fasi: 1. **Memorizzazione dei Dati degli Studenti sulla Blockchain:** I dati degli studenti del dataset “Open University Learning Analytics” (32. 593 record di dati demografici e interazioni virtuali) vengono criptati e archiviati su IPFS, che genera un hash crittografico. Questo hash viene memorizzato su una blockchain privata Ethereum tramite smart contract, garantendo accesso decentralizzato e immutabile. I nodi—compresi amministratori dell’università, docenti, studenti e potenziali datori di lavoro—si registrano sulla rete blockchain usando wallet con chiavi private e pubbliche. 2. **Previsione delle Performance tramite Deep Learning:** I dati criptati, recuperati tramite IPFS, vengono sottoposti a preprocessing: selezione delle caratteristiche, sostituzione dei valori mancanti (con moda e costanti), codifica dei dati categorici, normalizzazione con MinMaxScaler, e riduzione della dimensionalità tramite PCA. Il dataset viene diviso (90% addestramento, 10% test) e inserito in una rete neurale profonda composta da uno strato di input (10 neuroni), cinque hidden (ciascuno con 500 neuroni e attivazione ReLU), e uno di output con quattro neuroni (passato, fallito, rinuncia, distinzione) con attivazione softmax e perdita di entropia incrociata sparsa. Questo modello, implementato in Python, Keras e Sklearn, ottiene alta precisione (~91, 29%) e bassa perdita (~0, 18), superando studi precedenti sullo stesso dataset. 3. **Utilizzo di Smart Contract:** I smart contract, sviluppati in Solidity sulla Ethereum, permettono interazioni sicure tra nodi: i docenti caricano i compiti su IPFS e inviano gli hash tramite smart contract agli studenti; gli studenti inviano i compiti tramite smart contract; le università rilasciano i certificati, che vengono memorizzati in modo immutabile sulla blockchain; infine, i datori di lavoro (ospiti) possono accedere ai certificati e ai dati di performance degli studenti con l’approvazione dell’università. Questi processi garantiscono trasparenza, sicurezza e automazione. Durante l’implementazione sono stati sviluppati e testati: architettura blockchain usando Python, Flask e Postman per la creazione di blocchi, validazione della catena e aggiunta di transazioni; registrazione decentralizzata dei nodi tramite MyEtherWallet (MEW), che fornisce gestione di wallet e chiavi; integrazione tra blockchain e deep learning, con IPFS che archivia dataset criptati con hash sicuri sulla blockchain tramite smart contract, e il modello di deep learning che prevede le performance dall’insieme di dati sicuri. I smart contract gestiscono le transazioni—distribuzione dei compiti, invii, rilascio di certificati e accesso ai dati. I test verificano la registrazione dei nodi, l’accesso ai wallet, l’archiviazione e verifica degli hash sul blockchain, l’emissione e recupero dei certificati, le interazioni con i compiti, la validità delle transazioni e l’integrità dei file immutabilmente archiviati. I risultati confermano l’immutabilità e la resistenza alle manomissioni dei dati memorizzati, oltre a un’interazione fluida tramite smart contract. Il framework proposto dimostra che l’integrazione di blockchain e deep learning può generare un sistema di e-learning sicuro, trasparente e automatizzato, con alta accuratezza predittiva e gestione robusta dei dati, superando gli studi precedenti in efficacia. Questo approccio affronta le sfide legate alla sicurezza dei dati, alla verifica degli studenti e ai processi accademici automatizzati, creando una solida base per futuri sistemi di e-learning intelligenti.